Прокачайте ваш онбординг
с навигатором интерфейсов Experrto
Выберите категорию

Самое простое руководство по когортному анализу

Когорта представляет собой группу людей, которые испытывают один и тот же опыт в течение заданного временного отрезка. Типичным примером когорты являются абитуриенты, которые поступали в университет в одном году.

Когортный анализ — это аналитическое моделирование, используемое для изучения характеристик когорт и элементов, которые влияют на изменение этих характеристик, в течение определенного периода времени. Изначально этот процесс использовался в медицине, где когортные исследования проводят для выявления причины заболевания.

В ходе проспективного когортного исследования ученые, прежде всего, формируют гипотезы о потенциальных причинах возникновения заболевания. Затем наблюдают за группой людей в течение какого-то времени (зачастую несколько лет), собирая данные, которые могут касаться болезни. Это позволяет обнаружить любые изменения в состоянии здоровья человека на фоне потенциальных факторов риска, которые они определили.

Как это можно использовать в бизнес-аналитике?

Для бизнес-приложений вы можете сравнивать когорты или анализировать поведение отдельных когорт, чтобы находить паттерны, поддерживающие гипотезу роста. Эта гипотеза может затрагивать что угодно.

К примеру, вы могли бы предположить, что пользователи, которых удалось привлечь за счет дисплейной рекламы, имеют более высокий показатель LTV (lifetime value — пожизненная ценность), чем те, кого привлекли через Facebook. Аналогичным образом допустим, что вы хотите определить причину падения вашего коэффициента удержания. В такой ситуации вы могли бы сформировать гипотезу о том, что удержание клиента коррелирует с его первой покупкой.

Чтобы установить взаимосвязь между этими переменными, разбиваем клиентов по когортам на основе их первой покупки и строим график удержания по месяцам: 

Прибыль от клиентов, распределенных по когортам, на основе их первой покупки. Сверху вниз: зефир, кексы, бейглы

Прибыль от клиентов, распределенных по когортам, на основе их первой покупки. Сверху вниз: зефир, кексы, бейглы

Как видите, пользователи, которые в первый раз покупали зефир, продемонстрировали более высокий LTV в сравнении с другими когортами, даже несмотря на то что удержание в целом снизилось. Разумеется, теперь главная задача компании заключалась бы в том, чтобы побудить как можно больше людей к приобретению зефира в рамках их первой сессии на сайте.

Важно отметить: это вовсе не значит, что причиной удержания является зефир. Этот анализ просто показал вам, что между покупкой зефира и удержанием присутствует корреляция. Корреляция не тождественна причинности, так что вам еще нужно проверить, связан ли этот товар с более высоким удержанием.

Когортный анализ дает вам представление о тенденции и основу для тестирования. Не причину.

Когорты и сегменты — не одно и то же

Большинство людей используют понятия «когорта» и «сегмент» взаимозаменяемо, но это неправильно. Чтобы два пользователя относились к одной когорте, они должны быть связаны общим событием и периодом. Например, выпускники 2017 года, мужчины, рожденные в 1990 году.

С другой стороны, для создания сегмента вы можете отталкиваться практически от любых факторов, и по сути, когорта является частью сегмента.

1. Понимание удержания клиентов

Рассмотрим на примерах, как читаются когортные таблицы.

Таблица 1 

Таблица 1

Как видите, столбцы здесь предназначены для месяца активации, а строки — для количества возвращающихся клиентов:

  • Строки. Ячейка B4 показывает вам количество клиентов, которых удалось привлечь за январь. С4 — это клиенты, которые были привлечены в январе, но вернулись в феврале. Просмотрев строку января полностью, вы поймете, как колебалось удержание пользователей из этой когорты в течение года.
  • Столбцы. В столбцах указывается количество возвращающихся или новых клиентов. D4 показывает вам количество клиентов, которые были привлечены в январе, но вернулись в марте. D5 — число клиентов, которые были привлечены в феврале, но вернулись в марте. D6 — это количество новых клиентов, которых привлекли в марте.

Таблица 2

Теперь разберемся в том, как каждая когорта ведет себя в плане удержания с течением времени. Чтобы сделать это, мы слегка перестроим приведенную выше таблицу. Заменим названия столбцов с самих месяцев на «количество месяцев с момента привлечения» — перейдем от января и февраля к 0, 1, 2, и тем самым сдвинем все данные строки влево. 

Таблица 2

Итак, в первой строке, по мере продвижения вперед вы узнаете, сколько клиентов, привлеченных в январе, вернулись в последующие месяцы.

Таблица 3

Таблица 3

В этой таблице цифры заменены процентами, чтобы понять данные было еще проще. Просматривая каждую строку, вы можете получить кривую удержания для соответствующего месяца.

Но что, если вы хотите знать, как удержание менялось на протяжении 12 месяцев? Для этого в последней строке были приведены общие цифры, благодаря которым вы можете выстроить кривую удержания по всему прошедшему году. 

общие цифры, благодаря которым вы можете выстроить кривую удержания по всему прошедшему году

2. Корреляция между категорией и удержанием

После проведения когортного анализа один крупнейших в мире ритейлеров выяснил, что потребители, которые покупали детские товары в ходе первого визита на сайт, демонстрировали большую склонность к повторному посещению. Это побудило интернет-магазин к более агрессивному продвижению категории детской продукции.

Вы можете предположить, что на вашем сайте есть категории, которые лучше всего удерживают пользователей, выбирающих их в свою первую покупку. Чтобы определить такие категории, разобьем клиентов по когортам на основе первой покупки и проанализируем удержание этих групп.

Просмотрев таблицу, мы можем сделать следующие выводы:

  1. Пользователи, покупающие спортивную одежду в рамках первого визита, удерживаются лучше, чем остальные.
  2. Пользователи, покупающие украшения в рамках первого визита, показали самый низкий коэффициент удержания.
  3. Пятый месяц имеет решающее значение, так как отток, похоже, растет после него.

Полученные результаты могут говорить о том, что маркетинговые затраты на спортивную одежду следует уменьшить, а стратегии удержания для покупателей украшений (и клиентов, достигших 5-го месяца с момента привлечения) стоит пересмотреть.

3. Какие функции соответствуют максимальному удержанию

Согласно отчету от Quettra, в среднем приложения теряют 77% ежедневных активных пользователей (DAU) уже через 3 дня после установки. Сегодня продукт может избежать удаления, только если он действительно полезен. Если же в вашем случае это не так, тогда первые 3 дня имеют для вас еще большее значение в плане удержания клиентов.

Вы можете определить ваши критические сроки с помощью метода, который обсуждался в первом пункте. Предположим, что у вас есть Х дней после установки сервиса, чтобы как-то заинтересовать пользователей.

Как в игру вступает когортный анализ

Выдвинем гипотезу о том, что работая с некоторыми функциями приложения, пользователи удерживаются лучше. Построим общую кривую удержания для последних 12 месяцев, как это было в первом пункте. 

Как в игру вступает когортный анализ

Примечание: в отличие от онлайн-сервиса, кривая удержания мобильного приложения будет опускаться линейно, так как веб-сервисы не требуют установки на устройство. Их пользователи могут логиниться в свой аккаунт в любое время. Если же речь идет о мобильном приложении, как только оно будет удалено, вы рискуете потерять потенциального клиента навсегда.

Изучите удержанных пользователей и зафиксируйте функции, которые они применяли в первый день. Предположим, что вы анализируете eCommerce-приложение и пришли к выводу о том, что следующие черты характерны для всех удержанных пользователей. Пусть двумя наиболее распространенными действиями будут «включение push-уведомлений» и «добавление товара в список пожеланий». Теперь сузим анализ для каждого из этих событий и сравним их между собой.

Вот результат:

Красный — средняя кривая удержания, оранжевый — добавление в список пожеланий, синий — включение push-уведомлений

Красный — средняя кривая удержания, оранжевый — добавление в список пожеланий, синий — включение push-уведомлений

Из этого графика видно, что пользователи, которые добавляли товар в список пожеланий, проявляют большую склонность к повторным посещениям, чем остальные. Те же, кто включил push-уведомления, удерживаются хуже среднего. И опять же помните, что вы имеете дело с корреляцией, а не причинностью.

4. Как клиенты реагируют на запуск новых функций

Приведенный выше когортный анализ также может помочь вам выяснить, какие устаревшие функции нуждаются в доработке. К примеру, когортная кривая пользователей, которые включили push-уведомления, не превзошла значений средней кривой удержания. Вполне очевидно, что такие напоминания должны способствовать лучшему удержанию, поэтому график подталкивает нас к пересмотру нашей стратегии.

Чтобы создать когортный отчет с помощью аналитической платформы Kissmetrics, вам нужно заполнить три поля: первое событие, событие, которое пользователи должны выполнить по возвращению на ваш сайт, и диапазон дат.

Kissmetrics

Первое событие является основным критерием построения когорты, а второе — представляет собой базис, по которому вы хотите отслеживать ваших пользователей.

Делайте бизнес на основе данных!

По материалам: monk.webengage.com

Прокачайте ваш онбординг
с навигатором интерфейсов Experrto